基于自回歸移動(dòng)平均模型和門(mén)循環(huán)單元的計(jì)量設(shè)備可靠性預(yù)測(cè)

田昕怡，牛 彬，鐘睿君，孫淑嫻

（國(guó)網(wǎng)天津市電力公司營(yíng)銷(xiāo)服務(wù)中心，天津 300000）

隨著計(jì)量設(shè)備的推廣普及，計(jì)量設(shè)備在運(yùn)行過(guò)程中出現(xiàn)的可靠性問(wèn)題與電子行業(yè)發(fā)展聯(lián)系較為密切，且不容忽視。對(duì)集成電路、電子計(jì)算機(jī)、雷達(dá)等電子設(shè)備而言，一旦發(fā)生計(jì)量失誤，可能會(huì)導(dǎo)致設(shè)備損壞，甚至威脅到人身安全，后果將不堪設(shè)想，因此對(duì)于計(jì)量設(shè)備系統(tǒng)來(lái)說(shuō)，可靠性的評(píng)估與預(yù)測(cè)具有深遠(yuǎn)的意義[1]。

本文將計(jì)量設(shè)備的可靠性測(cè)試或?qū)嶋H運(yùn)行中得出的失效數(shù)據(jù)（故障間隔時(shí)間、故障次數(shù)等）視為—個(gè)時(shí)間序列，即為一組依賴(lài)于時(shí)間t的隨機(jī)變量序列。這些變量之間有一定的依存性和相關(guān)性，而且表現(xiàn)出了一定的規(guī)律性，如果能根據(jù)這些失效數(shù)據(jù)建立盡可能合理的統(tǒng)計(jì)模型，就能用這些模型來(lái)解釋數(shù)據(jù)的規(guī)律性，就可以利用已得到的失效數(shù)據(jù)來(lái)預(yù)測(cè)未來(lái)數(shù)據(jù)，也就能據(jù)此來(lái)預(yù)估計(jì)量設(shè)備的可靠性[2]。

本文從可靠性基礎(chǔ)出發(fā)，基于計(jì)量設(shè)備指定模塊的失效，討論計(jì)量設(shè)備模塊的失效，建立失效數(shù)據(jù)分布數(shù)學(xué)模型，以便對(duì)失效進(jìn)行評(píng)價(jià)。本文的研究成果可為提高計(jì)量設(shè)備的可靠性、改善智能計(jì)量設(shè)備壽命提供支持，對(duì)實(shí)際使用過(guò)程中的運(yùn)行維護(hù)有一定的參考價(jià)值。

不同模型對(duì)數(shù)據(jù)信息提取的側(cè)重點(diǎn)不同，單一模型的預(yù)測(cè)效果往往受到質(zhì)疑，利用組合模型對(duì)設(shè)備可靠性進(jìn)行預(yù)測(cè)一度成為熱點(diǎn)。一些研究表明，利用分解技術(shù)提取時(shí)間序列中的不同特征成分，對(duì)不同特征的數(shù)據(jù)分別采用不同的模型，有助于提高可靠性預(yù)測(cè)的精度。本文關(guān)注于基于機(jī)器學(xué)習(xí)的設(shè)備可靠性預(yù)測(cè)，旨在利用失效數(shù)據(jù)的變化規(guī)律，實(shí)現(xiàn)對(duì)設(shè)備可靠性的預(yù)測(cè)。本文以上述失效數(shù)據(jù)為研究對(duì)象，構(gòu)造出基于ARIMA（Autoregressive Integrated Moving Average Model）模型[3]和GRU（Gate Recurrent Unit）模型[4]的設(shè)備可靠性預(yù)測(cè)方法。實(shí)驗(yàn)表明，本文所提出的算法取得了較好的效果，實(shí)用性也較好。

1 相關(guān)研究

計(jì)量設(shè)備的可靠性是一個(gè)復(fù)雜的非線(xiàn)性動(dòng)力學(xué)系統(tǒng)，具有顯著的非線(xiàn)性、時(shí)變性特征[5]，導(dǎo)致根據(jù)設(shè)備的已有數(shù)據(jù)對(duì)可靠性進(jìn)行預(yù)測(cè)成為一大難題。

近年來(lái)，有一些研究者利用神經(jīng)網(wǎng)絡(luò)對(duì)時(shí)間序列進(jìn)行了大量的預(yù)測(cè)研究。潘曉明等[6]利用不同的神經(jīng)網(wǎng)絡(luò)算法產(chǎn)生神經(jīng)網(wǎng)絡(luò)集成個(gè)體，用遺傳算法動(dòng)態(tài)求解集成個(gè)體的非負(fù)權(quán)重系數(shù)，進(jìn)行最優(yōu)組合集成建模，相對(duì)傳統(tǒng)的簡(jiǎn)單平均集成模型具有預(yù)測(cè)精度高、穩(wěn)定性好、易于操作的特點(diǎn)。劉磊[7]提出了一種基于RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型。智晶等[8]提出了一種基于主成分的遺傳神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型，其有以下2個(gè)特點(diǎn)：利用主成分方法選取輸入變量和利用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)參數(shù)。吳華星對(duì)基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法進(jìn)行了研究，他分析了傳統(tǒng)的BP（Back Propagation）算法，通過(guò)引入調(diào)節(jié)參數(shù)ρ解決了要同時(shí)調(diào)整算法中學(xué)習(xí)速率η和動(dòng)量參數(shù)α的問(wèn)題。陳嶷瑛等[9]提出了一種基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型，從他們的研究成果來(lái)看，關(guān)注點(diǎn)主要集中在對(duì)輸入數(shù)據(jù)的處理、對(duì)神經(jīng)網(wǎng)絡(luò)的參數(shù)學(xué)習(xí)及對(duì)神經(jīng)網(wǎng)絡(luò)的集成方法方面。

但這些傳統(tǒng)預(yù)測(cè)方法有諸多前提假設(shè)，常見(jiàn)的有設(shè)備的可靠性數(shù)據(jù)為平穩(wěn)時(shí)間序列、可靠性數(shù)據(jù)與其影響因素之間為線(xiàn)性關(guān)系等。但此類(lèi)數(shù)據(jù)普遍存在非線(xiàn)性、非平穩(wěn)特征，因此這些方法在實(shí)際應(yīng)用中很難達(dá)到理性的預(yù)測(cè)效果。人們對(duì)機(jī)器學(xué)習(xí)的不斷深入挖掘、了解，使它在設(shè)備的可靠性數(shù)據(jù)預(yù)測(cè)方面發(fā)揮了重要的作用，它對(duì)所研究的數(shù)據(jù)沒(méi)有假設(shè)限制，更不受人為先驗(yàn)知識(shí)的影響。

此外，國(guó)內(nèi)外學(xué)者還提出通過(guò)時(shí)間序列分析方法來(lái)處理設(shè)備可靠性分析的問(wèn)題，該方法是將失效數(shù)據(jù)作為時(shí)間相關(guān)序列，根據(jù)過(guò)去和現(xiàn)在的數(shù)據(jù)來(lái)對(duì)未來(lái)的數(shù)據(jù)進(jìn)行預(yù)測(cè)。該方法不需要對(duì)故障過(guò)程做任何先前的假設(shè)就可以對(duì)數(shù)據(jù)進(jìn)行分析，與傳統(tǒng)的一些可靠性預(yù)測(cè)模型相比具有一定的優(yōu)勢(shì)，同時(shí)還可以發(fā)現(xiàn)那些被假設(shè)條件所隱藏的數(shù)據(jù)特性。如LU等[10]用時(shí)間序列方法對(duì)部件實(shí)時(shí)可靠性進(jìn)行建模，以反映單一部件的實(shí)時(shí)可靠性；JAYARAM等[11]在假設(shè)退化量分布為正態(tài)時(shí)，給出了基于性能退化數(shù)據(jù)的半似然可靠性預(yù)計(jì)方法；金光等[12]采用Bootstrap仿真方法建立了動(dòng)量輪壽命分布的模型，評(píng)價(jià)其可靠性水平，合理的時(shí)間序列模型可以對(duì)數(shù)據(jù)的發(fā)展趨勢(shì)進(jìn)行有效預(yù)測(cè)。目前相關(guān)分析人員已經(jīng)將雙指數(shù)平滑法應(yīng)用在該領(lǐng)域，但是該方法的應(yīng)用面比較狹窄，有一定的局限性。

本文提出了一種基于ARIMA和GRU的設(shè)備可靠性預(yù)測(cè)模型，該模型利用ARIMA獲取數(shù)據(jù)的線(xiàn)性特征，利用GRU獲取數(shù)據(jù)的非線(xiàn)性特征，通過(guò)調(diào)整合適的參數(shù)使模型的學(xué)習(xí)能力強(qiáng)，預(yù)測(cè)精度比較高。

2 方法

2.1 建立ARIMA模型

ARIMA模型的全稱(chēng)為自回歸移動(dòng)平均模型，是統(tǒng)計(jì)模型（Statistic Model）中最常見(jiàn)的一種用來(lái)進(jìn)行時(shí)間序列預(yù)測(cè)的模型。差分自回歸移動(dòng)平均模型ARIMA是將自回歸模型（AR）、移動(dòng)平均模型（MA）和差分法結(jié)合，從而得到了差分自回歸移動(dòng)平均模型ARIMA（p，d，q），其中d是需要對(duì)數(shù)據(jù)進(jìn)行差分的階數(shù)[13]。在該模型中，本文定義變量如表1所示。

表1 變量定義

表1 （續(xù)）

2.1.1 數(shù)據(jù)預(yù)處理

首先對(duì)無(wú)效數(shù)據(jù)進(jìn)行重采樣，原數(shù)據(jù)中時(shí)間不是連續(xù)的，為了更好地達(dá)到預(yù)測(cè)效果，需要進(jìn)行插值處理，插值處理可以對(duì)數(shù)據(jù)中的缺失進(jìn)行合理的補(bǔ)償，可以對(duì)數(shù)據(jù)進(jìn)行放大或者縮小。根據(jù)找到的這個(gè)規(guī)律，來(lái)對(duì)其中尚未有數(shù)據(jù)記錄的點(diǎn)進(jìn)行數(shù)值估計(jì)。本模型采用的是線(xiàn)性插值方法[14]。根據(jù)數(shù)據(jù)序列中需要插值的點(diǎn)的左右鄰近2個(gè)數(shù)據(jù)點(diǎn)來(lái)進(jìn)行數(shù)值的估計(jì)。

2.1.2 平穩(wěn)性檢測(cè)

ARIMA模型對(duì)時(shí)間序列的要求是平穩(wěn)性，做出的數(shù)據(jù)的趨勢(shì)圖如圖1所示，從圖中可以看出，該設(shè)備的可靠性數(shù)據(jù)具有波動(dòng)性。通過(guò)平穩(wěn)性檢驗(yàn)，得出p＞0.05，可以判斷為非平穩(wěn)序列。該無(wú)效數(shù)據(jù)屬于非平穩(wěn)時(shí)間序列，需要運(yùn)用差分法，轉(zhuǎn)化成平穩(wěn)時(shí)間序列，因此，首先要做的就是做時(shí)間序列的差分，直到得到一個(gè)平穩(wěn)時(shí)間序列。一般情況下，差分次數(shù)不超過(guò)2次，就能達(dá)到相關(guān)要求[15]。

圖1 原始數(shù)據(jù)的趨勢(shì)圖

進(jìn)行一階差分后的結(jié)果如圖2所示，此時(shí)，p＜0.05，符合平穩(wěn)序列的要求，因此d取1。

圖2 一階差分結(jié)果圖

2.1.3模型參數(shù)確定

建立模型必須要確定p、d、q這3個(gè)參數(shù)的值，這里主要是確定p和q的值。這里用平穩(wěn)序列的自相關(guān)圖（Autocorrelation Function，ACF）和偏自相關(guān)圖（Partial Autocorrelation Function，PACF）來(lái)對(duì)這2個(gè)參數(shù)進(jìn)行確定[16]，如圖3、圖4所示。

圖3 自相關(guān)圖（ACF）

圖4 偏自相關(guān)圖（PACF）

自相關(guān)函數(shù)ACF描述的是時(shí)間序列觀測(cè)值與其過(guò)去的觀測(cè)值之間的線(xiàn)性相關(guān)性，計(jì)算公式如下：

式（1）中：k為滯后期數(shù)，如果k=2，則為yt和yt-2。

偏自相關(guān)函數(shù)PACF描述的是在給定中間觀測(cè)值的條件下，時(shí)間序列觀測(cè)值預(yù)期過(guò)去的觀測(cè)值之間的線(xiàn)性相關(guān)性[17]。提出了中間k-1個(gè)隨機(jī)變量X（t-1）、X（t-2）、…、X（t-k+1）的干擾之后X（t-k+1）對(duì)X（t）的影響程度。

p和q取值的一般規(guī)則如表2所示[18]?？煽啃灶A(yù)測(cè)數(shù)據(jù)描述可靠性數(shù)據(jù)時(shí)間序列觀測(cè)值與其過(guò)去的觀測(cè)值之間的線(xiàn)性相關(guān)性的ACF值和PACF值，最后確定模型里的p、q參數(shù)分別為1、1。

表2 模型識(shí)別表

2.1.4 模型評(píng)估

嘗試建立若干個(gè)模型，根據(jù)赤池信息量（Akaike Information Criterion，AIC）或貝葉斯信息量（Bayesian Information Criterion，BIC）來(lái)衡量模型的復(fù)雜度，從而選擇出更簡(jiǎn)單的模型[19]。AIC的計(jì)算表達(dá)式為：

式（2）中：L為極大似然函數(shù)；N為未知參數(shù)數(shù)量。

AIC同時(shí)考慮了模型的擬合程度和簡(jiǎn)單性，BIC是對(duì)AIC的改進(jìn)。BIC的表達(dá)式為：

AIC和BIC的值越低越好，其值越低，模型越簡(jiǎn)單，即k、N取值越小，L取值越大，模型越好。

2.1.5 模型檢驗(yàn)

通過(guò)對(duì)模型進(jìn)行殘差白噪聲檢驗(yàn)和參數(shù)性檢驗(yàn)，來(lái)判斷所建模型是否可取，如果殘差序列不是白噪聲序列，則返回2.1.3的步驟，重新建立模型，直至通過(guò)參數(shù)檢驗(yàn)和模型的殘差白噪聲檢驗(yàn)[20]。通過(guò)檢驗(yàn)可得，已通過(guò)參數(shù)檢驗(yàn)和殘差白噪聲檢驗(yàn)的ARIMA模型。

2.2 建立GRU模型

傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型相鄰層之間是全連接的[21]，但是每層的各個(gè)節(jié)點(diǎn)是無(wú)連接的，樣本的處理在各個(gè)時(shí)刻獨(dú)立，使其不能對(duì)時(shí)間序列上的變化建模。而循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）中隱藏層之間的節(jié)點(diǎn)不再無(wú)連接而是有連接的，并且隱藏層的輸入不僅包括輸入層的輸出，還包括上一時(shí)刻隱藏層的輸出，使得循環(huán)神經(jīng)網(wǎng)絡(luò)最大的特點(diǎn)是具有記憶功能[22]。GRU在傳統(tǒng)RNN的基礎(chǔ)上加了更新門(mén)和重置門(mén)，既保留了“記憶”這個(gè)功能，又使LSTM（Long Short-Term Memory）在BPTT（Back-Propagation Through Time）的過(guò)程中避免了梯度爆炸或者消失的缺點(diǎn)[23]。更新門(mén)和重置門(mén)的作用在于：更新門(mén)用于控制前一時(shí)刻的狀態(tài)信息被帶入到當(dāng)前狀態(tài)中的程度，更新門(mén)的值越大說(shuō)明前一時(shí)刻的狀態(tài)信息帶入越多；重置門(mén)用于控制忽略前一時(shí)刻的狀態(tài)信息的程度，重置門(mén)的值越小說(shuō)明忽略得越多。GRU遞歸神經(jīng)網(wǎng)絡(luò)的示意圖如圖5所示。

圖5 GRU遞歸神經(jīng)網(wǎng)絡(luò)

GRU的向前傳播公式如下：式（4）中：（）中為2個(gè)向量相連接，表示矩陣元素相乘。

從式（4）中可以看到，GRU訓(xùn)練需要學(xué)習(xí)的參數(shù)是Wr、Wz、Wh、Wo權(quán)重參數(shù)，這些權(quán)重參數(shù)都是拼接的，所以在學(xué)習(xí)時(shí)需要分割出來(lái)，即：

在GRU模型中，本文用的是Python的Keras庫(kù)，GRU模塊的激活函數(shù)為tanh，確定接收GRU輸出的完全連接人工神經(jīng)網(wǎng)絡(luò)的激活函數(shù)為linear。

2.3 ARIMA-GRU組合模型構(gòu)建

計(jì)量設(shè)備的可靠性因受到各種因素的影響，變化規(guī)律復(fù)雜多變，其中既含有線(xiàn)性趨勢(shì)，又包含非線(xiàn)性規(guī)律，僅使用單一模型進(jìn)行預(yù)測(cè)難以完全擬合。本文基于這樣的思想構(gòu)建組合模型，設(shè)備可靠性的歷史數(shù)據(jù)首先經(jīng)過(guò)ARIMA模型過(guò)濾掉序列數(shù)據(jù)中的線(xiàn)性趨勢(shì)，那么非線(xiàn)性規(guī)律則包含在ARIMA模型的殘差中；其次，將殘差輸入GRU模型以提取其中的非線(xiàn)性規(guī)律；最后，將ARIMA模型的預(yù)測(cè)結(jié)果與GRU模型的預(yù)測(cè)結(jié)果相疊加得到最終的預(yù)測(cè)結(jié)果。組合模型的流程框架如圖6所示。

圖6 ARIMA-GRU組合模型流程圖

3 實(shí)驗(yàn)分析

3.1 數(shù)據(jù)集

本文實(shí)驗(yàn)所用的數(shù)據(jù)集是由實(shí)驗(yàn)室計(jì)量設(shè)備使用過(guò)程或測(cè)試過(guò)程中記錄的數(shù)據(jù)，包括設(shè)備出現(xiàn)故障發(fā)生次數(shù)和故障時(shí)間間隔，選取前150組數(shù)據(jù)來(lái)訓(xùn)練構(gòu)建模型，用后面45組數(shù)據(jù)對(duì)模型進(jìn)行模型測(cè)試和預(yù)測(cè)。對(duì)于數(shù)據(jù)集中的失效數(shù)據(jù)，本文通過(guò)對(duì)數(shù)據(jù)中的故障發(fā)生數(shù)和故障發(fā)生時(shí)間間隔等變量進(jìn)行處理分析，分別利用ARIMA模型和GRU模型2種數(shù)據(jù)分析方案對(duì)數(shù)據(jù)的線(xiàn)性特征和非線(xiàn)性特征進(jìn)行抓取，從而對(duì)計(jì)量設(shè)備的可靠性進(jìn)行預(yù)測(cè)。實(shí)驗(yàn)中需利用數(shù)據(jù)分析技術(shù)精準(zhǔn)刻畫(huà)數(shù)據(jù)變動(dòng)規(guī)律，將分析結(jié)果用圖表進(jìn)行可視化展示，針對(duì)所給數(shù)據(jù)，區(qū)分訓(xùn)練集和測(cè)試集，對(duì)比分析預(yù)測(cè)模型，并對(duì)模型進(jìn)行評(píng)估。

3.2 評(píng)價(jià)指標(biāo)

為了能全面表現(xiàn)模型的性能，本文使用平均絕對(duì)誤差（Mean Absolute Error，MAE）和均方根誤差（Root Mean Squared Error，RMSE）作為性能衡量指標(biāo)進(jìn)行效果評(píng)估，二者都是測(cè)量2個(gè)向量（預(yù)測(cè)向量和目標(biāo)值向量）之間的距離的方法，且值越小，則說(shuō)明模型的性能越好[24]，公式如下：

式（6）（7）中：RMSE（X，h）為使用假設(shè)h在示例上測(cè)量的成本函數(shù)；X為數(shù)據(jù)集中所有實(shí)例的所有特征值的矩陣（標(biāo)記特征除外）；h為系統(tǒng)的預(yù)測(cè)函數(shù)，也稱(chēng)為一個(gè)假設(shè)；m為在測(cè)量RMSE時(shí)所使用的數(shù)據(jù)集中實(shí)例的數(shù)量；X（i）為數(shù)據(jù)集中第i個(gè)實(shí)例的所有特征值的向量（標(biāo)簽特征除外）；y（i）為標(biāo)簽，即為該實(shí)例的真實(shí)值。

所有的實(shí)驗(yàn)都是在一個(gè)搭載NVIDIA Geforce RTX 3090顯卡、型號(hào)為AMD Ryzen 9 5900X處理器以及內(nèi)存為64 G的服務(wù)器上進(jìn)行的。在實(shí)驗(yàn)中，使用Python3.6開(kāi)發(fā)平臺(tái)、Tensorflow1.4.0學(xué)習(xí)框架和CUDA11.0來(lái)實(shí)現(xiàn)本文的方法。

為了防止過(guò)度擬合，本文確定每一層網(wǎng)絡(luò)節(jié)點(diǎn)的舍棄率為默認(rèn)值0.2，模型訓(xùn)練的Epoch為100，Batch Size為1，學(xué)習(xí)率設(shè)置為2×10-5，權(quán)值衰減設(shè)置為1×10-6。

3.3 對(duì)比試驗(yàn)

為了體現(xiàn)出模型預(yù)測(cè)效果的優(yōu)越性，實(shí)驗(yàn)在相同數(shù)據(jù)集上與使用單一模型的方法進(jìn)行了對(duì)比，即只使用ARIMA模型和僅使用GRU模型的方法，并將對(duì)比結(jié)果匯總，如表3所示。

表3 模型對(duì)比結(jié)果

由表3可以看出，本文提出的方法在評(píng)價(jià)指標(biāo)上是有一定優(yōu)勢(shì)的，本文所使用的ARIMA模型和GRU模型結(jié)合的計(jì)量設(shè)備可靠性預(yù)測(cè)方法比單一模型的MAE值和RMSE值要小，例如，對(duì)比單一使用GRU模型，分別在MAE和RMSE指標(biāo)上優(yōu)化了32.25%和30.06%。本文方法不僅關(guān)注了線(xiàn)性數(shù)據(jù)，還對(duì)非線(xiàn)性數(shù)據(jù)進(jìn)行了抓取，從而使模型對(duì)數(shù)據(jù)信息的獲取更加全面，所以在設(shè)備可靠性預(yù)測(cè)的任務(wù)上表現(xiàn)出一定的優(yōu)越性，具有較好的實(shí)用性。

此外，本文還在實(shí)驗(yàn)中通過(guò)數(shù)據(jù)分析技術(shù)來(lái)準(zhǔn)確畫(huà)出可靠性數(shù)據(jù)的變化走向，并將實(shí)際走向和實(shí)驗(yàn)預(yù)測(cè)的結(jié)果可視化展示，如圖7、圖8、圖9所示。

圖7 ARIMA模型的預(yù)測(cè)結(jié)果

圖8 GRU模型的預(yù)測(cè)結(jié)果

圖9 本文方法的預(yù)測(cè)結(jié)果

由上圖可以看出，預(yù)測(cè)結(jié)果均從第150組數(shù)據(jù)開(kāi)始進(jìn)行，ARIMA模型預(yù)測(cè)的結(jié)果都和歷史的平均值比較接近，當(dāng)真實(shí)值波動(dòng)不是很劇烈時(shí)，ARIMA模型的預(yù)測(cè)效果會(huì)較好一些，但是通?？煽啃缘脑紨?shù)據(jù)變化比較大，ARIMA模型的預(yù)測(cè)效果就比較差了；相比較來(lái)看，GRU模型不是只簡(jiǎn)單看一個(gè)平均，所以預(yù)測(cè)可能會(huì)激進(jìn)偏頗一點(diǎn)，當(dāng)原始數(shù)據(jù)波動(dòng)比較大時(shí)，預(yù)測(cè)的效果更好；在同時(shí)使用ARIMA模型和GRU模型時(shí)，對(duì)原始數(shù)據(jù)的使用更加全面，同時(shí)關(guān)注了波動(dòng)較大和較小的數(shù)據(jù)，所以此方法的預(yù)測(cè)效果更好。

通過(guò)實(shí)驗(yàn)所得的圖和表均可以看出，本文提出的ARIMA和GRU的計(jì)量設(shè)備可靠性預(yù)測(cè)模型在預(yù)測(cè)結(jié)果上，效果相對(duì)來(lái)說(shuō)都比較理想。單獨(dú)使用ARIMA模型進(jìn)行預(yù)測(cè)時(shí)，雖然模型十分簡(jiǎn)單，只需要內(nèi)生變量而不需要借助其他外生變量，但是采用ARIMA模型預(yù)測(cè)時(shí)序數(shù)據(jù)，必須是穩(wěn)定的，不穩(wěn)定的數(shù)據(jù)是無(wú)法捕捉到規(guī)律的，對(duì)于可靠性數(shù)據(jù)預(yù)測(cè)走勢(shì)情況，用ARIMA預(yù)測(cè)效果不是太好的原因是該數(shù)據(jù)是非穩(wěn)定的，所以需要處理轉(zhuǎn)化成平穩(wěn)序列進(jìn)行預(yù)測(cè)。單獨(dú)使用GRU模型進(jìn)行預(yù)測(cè)時(shí)，由于GRU是LSTM的一種變體，將LSTM中遺忘門(mén)與輸入門(mén)合二為一為更新門(mén)，模型比LSTM模型更簡(jiǎn)單了[25]，非常適合用于處理與時(shí)間序列高度相關(guān)的問(wèn)題。如本文所處理的設(shè)備可靠性預(yù)測(cè)問(wèn)題，通過(guò)調(diào)整神經(jīng)個(gè)數(shù)、網(wǎng)絡(luò)層數(shù)等GRU的具體參數(shù)，理論上使預(yù)測(cè)精度達(dá)到很高的水準(zhǔn)，但是GRU網(wǎng)絡(luò)訓(xùn)練時(shí)間過(guò)長(zhǎng)，運(yùn)行硬件要求高。對(duì)于時(shí)間跨度過(guò)長(zhǎng)的數(shù)據(jù)集來(lái)說(shuō)，當(dāng)?shù)螖?shù)達(dá)到一定數(shù)量級(jí)后，實(shí)際運(yùn)行速率比較緩慢，對(duì)于實(shí)驗(yàn)所設(shè)計(jì)的100次迭代，2位數(shù)神經(jīng)元的輕量級(jí)網(wǎng)絡(luò)，訓(xùn)練時(shí)間可以達(dá)到1 h。而從實(shí)驗(yàn)結(jié)果可以看出，輕量級(jí)網(wǎng)絡(luò)的實(shí)際預(yù)測(cè)精度并不超過(guò)ARIMA方法，這也說(shuō)明GRU在通常網(wǎng)絡(luò)構(gòu)建和運(yùn)行環(huán)境下難以展現(xiàn)其所具有的優(yōu)勢(shì)。

4 總結(jié)

針對(duì)基于過(guò)往計(jì)量設(shè)備無(wú)效數(shù)據(jù)的設(shè)備可靠性預(yù)測(cè)工作中很少有使用多個(gè)模型來(lái)處理不同類(lèi)型的數(shù)據(jù)，大多還只是使用單一的模型來(lái)進(jìn)行數(shù)據(jù)處理和預(yù)測(cè)，本文提出了一個(gè)基于ARIMA和GRU的設(shè)備可靠性預(yù)測(cè)模型，該模型分別利用ARIMA模型和GRU模型來(lái)處理可靠性數(shù)據(jù)中的線(xiàn)性數(shù)據(jù)和非線(xiàn)性數(shù)據(jù)，從而比較全面地抓取數(shù)據(jù)信息。通過(guò)在同一數(shù)據(jù)集中執(zhí)行可靠性預(yù)測(cè)任務(wù)，對(duì)比了單一使用ARIMA模型和GRU模型的方法，實(shí)驗(yàn)證明，本文所使用的基于ARIMA和GRU的計(jì)量設(shè)備可靠性預(yù)測(cè)模型性能比較好，更具有實(shí)用性。

在未來(lái)的工作中，將繼續(xù)探索新方法和新思路，比如加入其他模型來(lái)更有針對(duì)性地處理數(shù)據(jù)，從而使原始數(shù)據(jù)的抓取更加全面豐富，進(jìn)而提升模型性能。